Értékelés:
Jelenleg nincsenek olvasói vélemények. Az értékelés 8 olvasói szavazat alapján történt.
Hyperparameter Tuning for Machine and Deep Learning with R: A Practical Guide
Ez a nyílt hozzáférésű könyv rengeteg gyakorlati példával illusztrálja, hogyan alkalmazható a hiperparaméterek hangolása a gyakorlatban, és mély betekintést nyújt a gépi tanulás (ML) és a mélytanulási (DL) módszerek működési mechanizmusaiba. A könyv célja, hogy az olvasókat felvértezze azzal a képességgel, hogy az itt leírt módszerek segítségével lényegesen kevesebb idővel, költséggel, erőfeszítéssel és erőforrással jobb eredményeket érjenek el. A könyvben bemutatott esettanulmányok egy hagyományos asztali vagy notebook számítógépen is futtathatók. Nincs szükség nagy teljesítményű számítástechnikai eszközökre.
A könyv ötlete a Bartz & Bartz GmbH által a Német Szövetségi Statisztikai Hivatal (Destatis) számára készített tanulmányból származik. E tanulmányra építve a könyv az ipari szakembereknek, valamint a kutatóknak, oktatóknak és egyetemi hallgatóknak szól. A tartalom az ML és DL algoritmusok hiperparaméter-hangolására összpontosít, és két fő részre oszlik: elmélet (I. rész) és alkalmazás (II. rész). A tárgyalt alapvető témák a következők: a fontos modellparaméterek áttekintése.
Négy paraméterhangolási tanulmány és egy átfogó globális paraméterhangolási tanulmány.
Az ML és DL módszerek teljesítményének statisztikai elemzése a súlyosság alapján.
És egy új, konszenzuson alapuló rangsorolási módszer több algoritmus eredményeinek összesítésére és elemzésére. A könyv hat releváns ML- és DL-módszer több mint 30 hiperparaméterének elemzését mutatja be, és forráskódot ad, hogy a felhasználók reprodukálni tudják az eredményeket. Ennek megfelelően kézikönyvként és tankönyvként egyaránt szolgál.